from flask import Flask, render_template, request, jsonify
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

app = Flask(__name__)

# Загрузите данные из файлов
games_data = pd.read_csv("games.csv")
open_critic_data = pd.read_csv("open_critic.csv")

# Объедините данные
merged_data = games_data.merge(open_critic_data, left_on="id", right_on="game_id", how="inner")

# Создайте целевую переменную (успешность игры)
merged_data["Success"] = merged_data["rating"].apply(lambda x: 1 if x > 70 else 0)

# Преобразуйте столбец "release_date" в формат Unix-времени с корректной обработкой временных зон
merged_data["release_date"] = pd.to_datetime(merged_data["release_date"], utc=True).astype('int64') // 10**9

# Преобразуйте жанры в бинарные признаки (one-hot encoding)
genres_encoded = merged_data['genres'].str.get_dummies(sep=',')
merged_data = pd.concat([merged_data, genres_encoded], axis=1)
merged_data.drop('genres', axis=1, inplace=True)

# Определите признаки и целевую переменную
features = ["price", "release_date"] + list(genres_encoded.columns)
X = merged_data[features]
y = merged_data["Success"]

# Разделите данные на обучающий и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)

# Создайте и обучите модель дерева решений
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# Оцените модель на тестовом наборе данных
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

# Получите важности признаков
feature_importances = model.feature_importances_

@app.route("/", methods=["GET", "POST"])
def index():
    if request.method == "POST":
        # Получите данные из запроса
        price = float(request.form["price"])
        release_date = pd.to_datetime(request.form["release_date"], utc=True)

        # Получите бинарные признаки жанров на основе введенных данных
        genres_input = request.form["genres"]
        genres_encoded_input = pd.DataFrame(genres_input.split(','), columns=["genre"])
        genres_encoded_input = genres_encoded_input['genre'].str.get_dummies()

        # Создайте пустой DataFrame с теми же признаками, что и X_train
        input_data = pd.DataFrame(columns=X_train.columns)

        # Заполните введенные данные
        input_data["price"] = [price]

        # Преобразуйте дату релиза в Unix-время
        release_date_unix = release_date.timestamp()
        input_data["release_date"] = [release_date_unix]

        # Заполните one-hot закодированные жанры
        for genre in genres_encoded_input.columns:
            input_data[genre] = genres_encoded_input[genre].values

        # Выполните классификацию игры
        prediction = model.predict(input_data)[0]

        # Определите результат
        result = "Успешная" if prediction == 1 else "Неуспешная"

        return render_template("index.html", accuracy=accuracy, success_count=sum(y_test), failure_count=len(y_test) - sum(y_test), feature_importances=feature_importances, prediction_result=result)

    return render_template("index.html", accuracy=accuracy, success_count=sum(y_test), failure_count=len(y_test) - sum(y_test), feature_importances=feature_importances)

if __name__ == "__main__":
    app.run(host="localhost", port=5000)